فایل robots.txt چیست؟ آموزش ساخت فایل ربات سایت

فایل ربات robots.txt حاوی دستورالعمل‌هایی است که برای موتورهای جستجو مشخص می‌کند اجازه دسترسی به کدام بخش‌های وبسایت را دارند و دسترسی به کدام بخش‌ها برای آن‌ها مجاز نیست. اغلب موتورهای جستجوی شناخته‌شده نظیر گوگل، بینگ و یاهو از فایل ربات پشتیبانی می‌کنند و محتویات موجود در آن را بررسی می‌کنند. مطالعه این راهنما به شما در مورد فایل robots.txt سایت و نحوه ساخت فایل ربات سایت و اهمیت آن در سئو اطلاعات زیادی خواهد داد. با مطالعه این مقاله شما می‌توانید فایل robots.txt سایت خود را ایجاد و بررسی کنید و مطابق با ساختار سایتتان اصلاح کنید.

robots.txt چیست؟

فایل Robots.txt یک فایل متنی ساده (با پسوند txt) است که توسط موتورهای جستجو و برخی سیستم‌های دیگر خوانده می‌شود و نام دیگر آن «Robots Exclusion Protocol» به معنی پروتکل حذف ربات‌ها است. این فایل حاصل یک اجماع بین توسعه دهندگان موتورهای جستجو در روزهای ابتدایی به وجود آمدن اینترنت است ولی همچنان اغلب موتورهای جستجو به آن پایبند هستند.

مطالعه بیشتر: موتور جستجو چیست و چگونه کار می‌کند؟

فایل robots.txt چه نقشی دارد؟

ربات موتورهای جستجو با خزیدن و بررسی صفحات سایت‌های مختلف، اطلاعات این صفحات را در پایگاه داده عظیمی ذخیره (ایندکس) کرده و با استفاده از الگوریتم رتبه بندی خود، نتایج را مرتب کرده و در صفحه نتایج موتورهای جستجو نشان می‌دهند. موتورهای جستجو لینک‌های موجود در هر صفحه را دنبال می‌کنند و از سایت A به سایت B رفته و از سایت B به سایت C و این فرایند را به همین شکل ادامه می‌دهند.

اما ربات موتور جستجو با مشاهده یک صفحه جدید در یک سایت یا دیدن یک سایت کاملا جدید که پیش از این مشاهده نکرده است، فایل Robots.txt را بررسی می‌کند تا از وضعیت مجوز برای بررسی و فهرست کردن صفحه یا سایت جدید اطلاع پیدا کند.

مطالعه بیشتر: ایندکس گوگل چیست؟ ایندکس شدن صفحه در گوگل به چه معناست؟

فایل ربات سایت کجاست؟

فایل robots.txt همیشه در پوشه اصلی سایت شما (Public_html) قرار دارد. بنابراین اگر سایت شما www.example.com است فایل robots.txt باید در آدرس example.com/robots.txt قابل دسترسی باشد. به عنوان مثال فایل robots.txt سایت گروه دیجیتال نردبان از اینجا قابل مشاهده است.

نکته: نامگذاری این فایل مهم است و باید نام این فایل حتما robots.txt باشد و به حروف کوچک و بزرگ توجه شود.

کاربرد فایل ربات در سئو چیست؟

• سئو و کنترل ایندکس صفحات: به صورت عمومی این باور وجود دارد که ربات موتور جستجو در هنگام بازدید مجدد از یک سایت، اجازه بررسی تعداد محدودی از صفحات را دارد (میزان منابع و زمان در اختیار ربات برای بررسی مجدد صفحات یک سایت محدود است) و این مقادیر وابسته به اعتبار سایت، تعداد صفحات سایت و میزان محتواهای جدید در سایت است. متخصصان سئو این محدودیت را بودجه خزش (Crawling Budget) می‌نامند.
  
  اگر شما اعتقاد دارید در بودجه خزش سایت شما اشکالاتی وجود دارد پس بلاک کردن موتورهای جستجو از بررسی قسمت‌های کم اهمیت سایت، از هدر رفتن بودجه خزش جلوگیری می‌کند. با بهینه سازی فایل ربات، موتورهای جستجو از جمله گوگل می‌توانند از بررسی صفحات کم اهمیت صرف نظر کرده و به بررسی صفحات مهمتر سایت بپردازند.
  
  در برخی موارد بلاک کردن موتورهای جستجو از بررسی بخش‌های مشکل دار سایت شما، مخصوصا در سایت‌هایی که نیاز به پاکسازی سئویی گسترده دارند، می‌تواند مفید باشد. در نهایت پس از پیاده سازی اصلاحات سئویی می‌توانید مجددا اجازه بررسی صفحات اصلاح شده را به ربات موتورهای جستجو بدهید.
• امنیت و حریم خصوصی: فایل robots.txt می‌تواند برای جلوگیری از ایندکس شدن اطلاعات محرمانه استفاده شود. به عنوان مثال صفحات مربوط به اطلاعات شخصی کاربران و هرگونه آدرسی در سایت که نباید به صورت عمومی منتشر شود را می‌توان با استفاده از فایل ربات محدود کرد.
• جلوگیری از مصرف پهنای باند: جلوگیری از دسترسی ربات‌های خزنده به برخی از بخش‌های سایت موجب جلوگیری از مصرف پهنای باند می‌شود. این مساله مخصوصا برای سایت‌هایی که دارای منابع سرور (هاست) محدود هستند و به دنبال کاهش بار سرور هستند کاربرد دارد.
• حذف محتوای تکراری: فرض کنید سایت شما یک سایت فروشگاهی است که به کاربران امکان اعمال فیلترهای مختلف می‌دهد. این فیلترها با اضافه کردن رشته‌های query string به انتهای آدرس منجر به گمراه شدن موتورهای جستجو می‌شوند. اصطلاحا به این صفحات FACETED NAVIGATION می‌گویند. آدرس‌های ایجاد شده توسط این فیلترها دارای محتواهای تکراری هستند و به سئو سایت فروشگاهی شما آسیب وارد می‌نمایند.

معایب robots.txt چیست؟

۱- امکان فهرست شدن صفحات بلاک شده وجود دارد: اگرچه این امکان وجود دارد که با اعمال تغییر در فایل robots.txt به ربات خزنده موتور جستجو اعلام کنید اجازه دسترسی به بخش مشخصی از سایت را ندارد، اما نمی‌توانید با تغییر فایل robots.txt از فهرست شدن صفحات ممنوع در نتایج جستجوی گوگل جلوگیری کنید. اگر لینک صفحات ممنوع در سایر صفحات سایتتان یا سایت‌های دیگر وجود داشته باشد صفحه مربوطه فهرست خواهد شد ولی از آنجایی که طبق فایل robots.txt ربات خزنده گوگل اجازه دسترسی به محتویات صفحه را ندارد، صفحه مورد نظر در نتایج جستجو به شکل زیر و بدون توضیحات نمایش داده می شود:

اگر قصد این را دارید که به صورت قابل اطمینان یک صفحه را از نتایج جستجو حذف کنید باید از تگ noindex در صفحه مورد نظر استفاده کنید. برای مشاهده این تگ باید اجازه بررسی صفحه و مشاهده این تگ را به موتور جستجو بدهید. پس بهتر است صفحه را در robots.txt بلاک نکنید.

۲- عدم امکان توزیع اعتبار لینک: اگر موتور جستجو نتواند یک صفحه را بررسی کند امکان توزیع اعتبار لینک به لینک‌های موجود در آن صفحه را ندارد. وقتی یک صفحه در فایل robots.txt بلاک می‌شود برای ربات موتور جستجو تبدیل به بن بست می‌شود و اعتبار لینک امکان توزیع در صفحه و سایر صفحات لینک داده شده در صفحه بلاک شده را ندارد.

فایل robots.txt چگونه است؟ یک نمونه فایل ربات

تصویر زیر فایل robots.txt سایت یوتیوب به عنوان نمونه نمایش داده شده‌است. در ادامه به بررسی بخش‌های مختلف آن خواهیم پرداخت.

خطوط ابتدای این فایل که با علامت # شروع شده‌اند، کامنت هستند و به توضیح کلی فایل پرداخته‌اند. خطوطی که با # شروع می‌شوند توسط ربات‌های خزنده وب نادیده گرفته می‌شوند. این فایل ۳ بخش دارد و بخش های مختلف با یک خط خالی از هم جدا شده‌اند. در ادامه به توضیح دستورات مختلف خواهیم پرداخت.

user-agent چیست؟ *:user-agent یعنی چه؟

هر شخص، ربات‌ خزنده و یا هر برنامه کامپیوتری فعال روی شبکه جهانی اینترنت دارای یک user-agent یا یک نام اختصاصی است. برای کاربران واقعی user-agent شامل نوع مرورگر، و سیستم عامل است و حاوی اطلاعات شخصی نیست. این اطلاعات به وبسایت‌ها کمک می‌کند اطلاعات سازگار با سیستم کاربر را نمایش دهند.

user-agent ربات‌های خزنده به ادمین‌های سایت کمک می‌کنند تا انواع ربات‌های خزنده در حال بررسی سایت را بشناسند. در فایل robots.txt شما قادر خواهید بود تا برای ربات‌های مختلف، دستورالعمل‌های مختلفی صادر کنید.

User-agent: Mediapartners-Google در مثال فایل ربات که در تصویر قبلی آمده است، مربوط به شبکه تبلیغات AdSense گوگل است. این ربات از بررسی هیچ صفحه‌ای منع نشده است و می‌تواند تمام صفحات را بررسی کند.

در ادامه *:user-agent مشخص کننده تمامی ربات‌های خزنده است. علامت * مشخص کننده wildcard است و بیانگر این است که قانون اضافه شده برای همه ربات‌ها صادق است. برای همه ربات‌ها دسترسی به برخی صفحات نظیر نظرات، ورود، ثبت نام و … بلاک شده است.

معروف‌ترین ربات‌های خزنده وب و user-agent آن‌ها به شرح زیر است:

یوزر اجنت‌های موتور جستجوی Google:

• Googlebot
• Googlebot-Image (برای تصاویر)
• Googlebot-News (برای اخبار)
• Googlebot-Video (برای ویدیو)

یوزر اجنت‌های موتور جستجوی Bing

• Bingbot
• MSNBot-Media (برای تصاویر و ویدیو)

یوزر اجنت‌ موتور جستجوی چینی بایدو

• Baiduspider

یوزر اجنت‌ موتور جستجوی یاهو

• Slurp

نحوه بهینه سازی فایل robots.txt سایت

نحوه استفاده از دستور disallow

دستور Disallow از پرکاربردترین دستورات در فایل robots.txt است. این دستور مشخص کننده صفحه یا صفحات غیر قابل دسترس برای ربات‌های خزنده وب است. مجددا باید تکرار کنیم که استفاده از این دستور صرفا صفحات را از دسترسی ربات‌ها مخفی می‌کند و ممکن است کاربر با کلیک روی لینک این صفحات امکان بازدید صفحه را داشته باشد و یا حتی این صفحات در نتایج جستجو فهرست شوند.

جلوگیری از دسترسی موتورهای جستجو به یک صفحه خاص

برای مثال اگر قصد داشتیم صفحه تماس با ما در سایت نردبان با آدرس https://www.nardebangroup.com/contact را از دسترس ربات‌ها خارج کنیم، دستور مربوطه به شکل زیر خواهد بود:

user-agent:*
Disallow: /contact/

جلوگیری از دسترسی موتورهای جستجو به یک دایرکتوری

در برخی موارد شاید لازم باشد تا تمام صفحات موجود در یک دایرکتوری را از دسترس ربات‌ها خارج کرد. به عنوان مثال اگر قصد داشته باشیم تمام صفحات موجود در دایرکتوری مربوط به کارمندان به آدرس زیر «https://www.nardebangroup.com/employees»را از دسترسی ربات‌ بایدو خارج کنیم دستور لازم به شکل زیر خواهد بود:

user-agent: Baiduspider
Disallow: /employees/

بدین ترتیب تمامی صفحات موجود در وبلاگ از دسترس ربات بایدو خارج خواهد شد.

اعطای دسترسی کامل به موتورهای جستجو

برای صدور دسترسی کامل به کل سایت برای ربات‌های خزنده دستور Disallow به شکل زیر خواهد بود.

Disallow:

نحوه مخفی کردن کل سایت از موتورهای جستجو

Disallow: /

«/» بیانگر صفحه اصلی وبسایت و تمامی صفحات ذیل آن است. در صورت وجود این دستور موتورهای جستجو توانایی خزیدن در هیچ یک از صفحات وبسایت را ندارند. البته لازم به ذکر است این یک روش مطمئن برای جلوگیری از نمایش سایت شما در موتورهای جستجو نیست و باید صفحات سایت را no-index کنید.

نحوه استفاده از دستور Allow *

این دستور به ربات‌ها اجازه می‌دهد به یک صفحه یا بخش وبسایت دسترسی پیدا کنند. از کاربردهای این دستور زمانی است که شما بخش بزرگی از سایت را بلاک کرده‌اید و قصد دارید اجازه دسترسی به یک یا چند صفحه از همان بخش را به ربات‌های خزنده بدهید. برخی موتورهای جستجو این دستور را شناسایی نمی‌کنند. پس باید در استفاده از آن احتیاط کنید.

در مثال زیر تمامی ربات‌ها از دسترسی به دایرکتوری media منع شده‌اند اما در عین حال اجازه دسترسی به یک فایل پی دی اف با عنوان terms-and-conditions.pdf موجود در دایرکتوری media داده شده است.

User-agent: *
Allow: /media/terms-and-conditions.pdf
Disallow: /media/

نحوه استفاده از دستور Crawl-delay *

هدف این دستور تعیین محدودیت در میزان مصرف منابع سرور با تنظیم میزان تاخیر بین بازدیدهای مختلف ربات‌های خزنده است. در مثال زیر ربات خزنده موظف است بین هر درخواست ۸ میلی ثانیه توقف کند. گوگل از این دستور پشتیبانی نمی‌کند.

Crawl-delay: 8

مطالعه بیشتر: CDN چیست؟ نحوه عملکرد شبکه توزیع محتوا و مزایا به همراه آموزش نصب کلودفلر

استفاده از دستور sitemap:

نقشه سایت یا سایت مپ یک فایل با پسوند XML است که تمام محتواهای مهم روی یک سایت را فهرست می‌کند و نحوه ارتباط صفحات مختلف را نمایش می‌دهد. دستور sitemap که در ادامه این دستور آدرس نقشه سایت می‌آید یک روش برای نشان دادن نقشه سایت به موتور جستجو است. این دستور برای اطمینان حاصل کردن از این است که هیچ صفحه‌ای در حین خزیدن در سایت فراموش نشود. با این وجود وجود نقشه سایت تاثیری در اولویت‌بندی خزش صفحات توسط ربات ندارد.

بعنوان مثال نحوه قرار گرفتن نقشه سایت در فایل robots.txt سایت نردبان به شکل زیر است:

sitemap: https://www.nardebangroup.com/sitemap_index.xml

مطالعه بیشتر: نقشه سایت یا سایت مپ چیست؟ اهمیت نقشه سایت در سئو و آموزش ایجاد نقشه

استفاده از عبارت با قاعده (RegEx)

در بهینه سازی فایل ربات برای سئو، حالت‌هایی وجود دارد که بایستی با تعریف الگو قوانین را تعریف کنید و تعریف قوانین بصورت تک به تک برای هر صفحه زمانبر است.  عبارت باقاعده، که تحت عنوان regex (مخفف عبارت انگلیسی regular expression) نیز نامیده می‌شود، رشته‌هایی هستند که برای انجام عملیات تطابق و جایگذاری عبارات در رشته استفاده می شوند. نحوه استفاده از عبارت با قاعده در فایل robots.txt را با چند مثال توضیح خواهیم داد:

User-agent: *
Disallow: *?

در مثال بالا همه ربات‌های خزنده از دسترسی به تمامی آدرسهایی که دارای کاراکتر ؟ هستند منع شده‌اند.

از کاراکتر $ برای انتخاب انتهای رشته استفاده می‌شود.

User-agent: *
Disallow: *.php$

در مثال بالا ربات‌های خزنده از دسترسی به آدرس‌هایی که به php. ختم می‌شوند منع شده‌اند. اما دسترسی به آدرس‌هایی مشابه آدرس زیر همچنان مجاز خواهد بود:
https://example.com/page.php?lang=en

User-agent: *
Disallow: *.autos$

در مثال بالا ربات‌های خزنده از دسترسی به تمام آدرس‌هایی که به autos. ختم می‌شوند منع شده‌اند.

Disallow: /*.pdf$
Disallow: /*.xls$

در این مثال ربات‌های خزنده از دسترسی به تمام فایل‌های پی دی اف و اکسل منع شده‌اند.

نمونه فایل Robots.txt برای سایت وردپرسی

برای مشاهده و ویرایش فایل ربات در وردپرس یا هر سایت دیگری به فایل منیجر در پنل هاست مراجعه کنید و درون فولدر public_html به دنبال فایل robots.txt بگردید. خوب است بدانید که وردپرس بصورت پیش فرض یک فایل ربات مجازی میسازد که محتوای آن بصورت زیر است:

User-agent: *
Disallow: /wp-admin/
Allow: /wp-admin/admin-ajax.php

منظور از فایل ربات مجازی این است که فایل ربات بصورت فیزیکی در پوشه public_html سایت وجود ندارد و وردپرس در هنگام درخواست فایل ربات این فایل را تولید کرده و ارسال می‌کند. اگر از افزونه‌های سئو نظیر یوست سئو و رنک مث استفاده می‌کنید، این افزونه‌ها تغییراتی در این فایل ربات مجازی داده و دستوراتی از جمله دستور نقشه سایت را به فایل ربات اضافه می‌کنند.

در زیر یک نمونه بهینه سازی شده فایل ربات برای سایت‌های وردپرسی ارائه شده است با فرض اینکه:

• شما تمایل به دسترسی ربات‌ها به قسمت ادمین ندارید.
• تمایل به فهرست شدن نتایج جستجوی درون سایت وردپرسی ندارید.
• تمایلی به دسترسی ربات‌ها به صفحات برچسب و نویسندگان سایت ندارید.
• تمایلی به دسترسی ربات‌ها به صفحه ۴۰۴ سایت ندارید.

User-agent: *
Disallow: /wp-admin/ #block access to admin section
Disallow: /wp-login.php #block access to admin section
Disallow: /search/ #block access to internal search result pages
Disallow: *?s=* #block access to internal search result pages
Disallow: *?p=* #block access to pages for which permalinks fails
Disallow: *&p=* #block access to pages for which permalinks fails
Disallow: *&preview=* #block access to preview pages
Disallow: /tag/ #block access to tag pages
Disallow: /author/ #block access to author pages
Disallow: /404/ #block access to 404 page

sitemap:https://www.nardebangroup.com/sitemap.xml  #Yadet nare inja address sitemap site khodeto bezani 

بررسی وضعیت فایل robots.txt در گوگل سرچ کنسول

گوگل در اکتبر ۲۰۲۳ گزارش فایل ربات را به گوگل سرچ کنسول اضافه کرد. برای مشاهده گزارش robots.txt در سرچ کنسول، مطابق تصویر زیر در گوگل سرچ کنسول باید از قسمت settings روی گزینه open report کلیک کنید.

در این گزارش می‌توانید وضعیت فایل ربات را ببینید. با زدن روی دکمه سه نقطه و بعد گزینه request a recrawl می‌توانید درخواست بررسی مجدد فایل ربات توسط گوگل را بدهید. با زدن روی فایل ربات صفحه‌ای باز می‌شود که آخرین نسخه فایل ربات نزد گوگل را نمایش می‌دهد. با کلیک روی گزینه versions در سمت راست می‌توانید تاریخچه و سایر نسخه‌های فایل ربات را مشاهده کنید.

نحوه تست فایل ربات سایت

اطمینان از صحیح بودن و عملکرد درست فایل ربات برای سئوی سایت مساله مهمی است. ممکن است شما اشتباها دسترسی گوگل به بخش‌های مهمی از سایت را ببندید و باعث افت شدید رتبه سایت شود. قبلا گوگل ابزار رسمی robots.txt tester را داشت که در دسامبر ۲۰۲۳ این ابزار بازنشسته شد.

برای تست ربات میتوانید از سایت technicalseo.com استفاده کنید. این ابزار عملکردی مشابه ابزار سابق گوگل دارد. کافی است آدرس یک صفحه از سایت را وارد این ابزار کنید. این ابزار به صورت خودکار فایل ربات سایت را بررسی کرده و بر اساس دستورات موجود در فایل ربات وضعیت دسترسی به صفحه بر اساس ربات انتخاب شده را نمایش خواهد داد.

مطالعه بیشتر: فایل llms.txt چیست؟ درک بهتر محتوای سایت توسط هوش مصنوعی

پرسش‌های متداول درباره فایل Robots.txt

در این قسمت پاسخ تعدادی از سوالات متداول در مورد اهمیت robots.txt و نحوه ایجاد آن ارائه شده است. اگر پاسخ سوال شما در این قسمت نیست، سوال خود را قسمت نظرات برای ما بنویسید.

جمع بندی

پیکربندی صحیح فایل robots.txt یکی از اقدامات اساسی در بهینه سازی بودجه خزش و سئو سایت است. بررسی و ویرایش فایل ربات TXT سایت یک فاکتور رتبه بندی نیست و تنها کنترل‌کننده نحوه رفتار ربات‌های خزنده است. به خاطر داشته باشید هر سایت نیازمند فایل robots.txt خاص خودش است. از کپی کردن محتویات فایل robots.txt سایر سایت‌ها پرهیز کنید. robots.txt هر سایت مختص همان سایت است و ممکن است برای سایت شما عملکرد مناسبی نداشته باشد و فرایند ایندکس شدن صفحات سایت را دچار اختلال کند.

تجربه شما در استفاده و تنظیم این فایل چگونه است؟ آیا robots.txt سایت خود را بررسی کرده‌اید؟ چه مشکلاتی داشته اید؟ سوالات و نظرات خود را برای ما بنویسید.